个人中心
gpt4 book ai didi

python如何正确使用yield

转载 作者：qq735679552 更新时间：2022-09-27 22:32:09 25 4
gpt4 key购买 nike

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章python如何正确使用yield由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

生成器

如果在一个方法内，包含了 yield 关键字，那么这个函数就是一个「生成器」.

生成器其实就是一个特殊的迭代器，它可以像迭代器那样，迭代输出方法内的每个元素.

我们来看一个包含 yield 关键字的方法:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# coding: utf8
 
# 生成器
def  gen(n):
     for  i  in  range (n):
         yield  i
 
g  =  gen( 5 )       # 创建一个生成器
print (g)         # <generator object gen at 0x10bb46f50>
print ( type (g))   # <type 'generator'>
 
# 迭代生成器中的数据
for  i  in  g:
     print (i)
    
# Output:
# 0 1 2 3 4

注意，在这个例子中，当我们执行 g = gen(5) 时，gen 中的代码其实并没有执行，此时我们只是创建了一个「生成器对象」，它的类型是 generator.

然后，当我们执行 for i in g，每执行一次循环，就会执行到 yield 处，返回一次 yield 后面的值.

这个迭代过程是和迭代器最大的区别.

换句话说，如果我们想输出 5 个元素，在创建生成器时，这个 5 个元素其实还并没有产生，什么时候产生呢？只有在执行 for 循环遇到 yield 时，才会依次生成每个元素.

此外，生成器除了和迭代器一样实现迭代数据之外，还包含了其他方法:

  • generator.__next__()：执行 for 时调用此方法，每次执行到 yield 就会停止，然后返回 yield 后面的值，如果没有数据可迭代，抛出 StopIterator 异常，for 循环结束
  • generator.send(value)：外部传入一个值到生成器内部，改变 yield 前面的值
  • generator.throw(type[, value[, traceback]])：外部向生成器抛出一个异常
  • generator.close()：关闭生成器

通过使用生成器的这些方法，我们可以完成很多有意思的功能.

next

先来看生成器的 __next__ 方法，我们看下面这个例子.

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
# coding: utf8
 
def  gen(n):
     for  i  in  range (n):
         print ( 'yield before' )
         yield  i
         print ( 'yield after' )
 
g  =  gen( 3 )       # 创建一个生成器
print (g.__next__())   # 0
print ( '----' )
print (g.__next__())   # 1
print ( '----' )
print (g.__next__())   # 2
print ( '----' )
print (g.__next__())   # StopIteration
 
# Output:
# yield before
# 0
# ----
# yield after
# yield before
# 1
# ----
# yield after
# yield before
# 2
# ----
# yield after
# Traceback (most recent call last):
#   File "gen.py", line 16, in <module>
#     print(g.__next__())  # StopIteration
# StopIteration

在这个例子中，我们定义了 gen 方法，这个方法包含了 yield 关键字。然后我们执行 g = gen(3) 创建一个生成器，但是这次没有执行 for 去迭代它，而是多次调用 g.__next__() 去输出生成器中的元素.

我们看到，当执行 g.__next__()时，代码就会执行到 yield 处，然后返回 yield 后面的值，如果继续调用 g.__next__()，注意，你会发现，这次执行的开始位置，是上次 yield 结束的地方，并且它还保留了上一次执行的上下文，继续向后迭代.

这就是使用 yield 的作用，在迭代生成器时，每一次执行都可以保留上一次的状态，而不是像普通方法那样，遇到 return 就返回结果，下一次执行只能再次重复上一次的流程.

生成器除了能保存状态之外，我们还可以通过其他方式，改变其内部的状态，这就是下面要讲的 send 和 throw 方法.

send

上面的例子中，我们只展示了在 yield 后有值的情况，其实还可以使用 j = yield i 这种语法，我们看下面的代码:

?
1
2
3
4
5
6
7
8
9
# coding: utf8
 
def  gen():
     i  =  1
     while  True :
         j  =  yield  i
         i  * =  2
         if  j  = =  - 1 :
             break

此时如果我们执行下面的代码:

?
1
2
3
for  i  in  gen():
     print (i)
     time.sleep( 1 )

输出结果会是 1 2 4 8 16 32 64 ... 一直循环下去， 直到我们杀死这个进程才能停止.

这段代码一直循环的原因在于，它无法执行到 j == -1 这个分支里 break 出来，如果我们想让代码执行到这个地方，如何做呢?

这里就要用到生成器的 send 方法了，send 方法可以把外部的值传入生成器内部，从而改变生成器的状态.

代码可以像下面这样写:

?
1
2
3
4
5
6
g  =  gen()    # 创建一个生成器
print (g.__next__())   # 1
print (g.__next__())   # 2
print (g.__next__())   # 4
# send 把 -1 传入生成器内部 走到了 j = -1 这个分支
print (g.send( - 1 ))    # StopIteration 迭代停止

当我们执行 g.send(-1) 时，相当于把 -1 传入到了生成器内部，然后赋值给了 yield 前面的 j，此时 j = -1，然后这个方法就会 break 出来，不会继续迭代下去.

throw

外部除了可以向生成器内部传入一个值外，还可以传入一个异常，也就是调用 throw 方法:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# coding: utf8
 
def  gen():
     try :
         yield  1
     except  ValueError:
         yield  'ValueError'
     finally :
         print ( 'finally' )
 
g  =  gen()    # 创建一个生成器
print (g.__next__())  # 1
# 向生成器内部传入异常 返回ValueError
print (g.throw(ValueError))
 
# Output：
# 1
# ValueError
# finally

这个例子创建好生成器后，使用 g.throw(ValueError) 的方式，向生成器内部传入了一个异常，走到了生成器异常处理的分支逻辑.

close

生成器的 close 方法也比较简单，就是手动关闭这个生成器，关闭后的生成器无法再进行操作.

?
1
2
3
4
5
6
>>> g  =  gen()
>>> g.close()  # 关闭生成器
>>> g.__next__()  # 无法迭代数据
Traceback (most recent call last):
   File  "<stdin>" , line  1 ,  in  <module>
StopIteration

使用场景

了解了 yield 和生成器的使用方式，那么 yield 和生成器一般用在哪些业务场景中呢?

下面我介绍几个例子，分别是大集合的生成、简化代码结构、协程与并发，你可以参考这些使用场景来使用 yield.

大集合的生成

如果你想生成一个非常大的集合，如果使用 list 创建一个集合，这会导致在内存中申请一个很大的存储空间，例如想下面这样:

?
1
2
3
4
5
6
7
8
9
10
11
# coding: utf8
 
def  big_list():
     result  =  []
     for  i  in  range ( 10000000000 ):
         result.append(i)
     return  result
 
# 一次性在内存中生成大集合 内存占用非常大
for  i  in  big_list():
     print (i)

这种场景，我们使用生成器就能很好地解决这个问题.

因为生成器只有在执行到 yield 时才会迭代数据，这时只会申请需要返回元素的内存空间，代码可以这样写:

?
1
2
3
4
5
6
7
8
9
# coding: utf8
 
def  big_list():
     for  i  in  range ( 10000000000 ):
         yield  i
 
# 只有在迭代时 才依次生成元素 减少内存占用
for  i  in  big_list():
     print (i)

简化代码结构

我们在开发时还经常遇到这样一种场景，如果一个方法要返回一个 list，但这个 list 是多个逻辑块组合后才能产生的，这就会导致我们的代码结构变得很复杂:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# coding: utf8
 
def  gen_list():
     # 多个逻辑块 组成生成一个列表
     result  =  []
     for  i  in  range ( 10 ):
         result.append(i)
     for  j  in  range ( 5 ):
         result.append(j  *  j)
     for  k  in  [ 100 ,  200 ,  300 ]:
         result.append(k)
     return  result
    
for  item  in  gen_list():
     print (item)

这种情况下，我们只能在每个逻辑块内使用 append 向 list 中追加元素，代码写起来比较啰嗦.

此时如果使用 yield 来生成这个 list，代码就简洁很多:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
# coding: utf8
 
def  gen_list():
     # 多个逻辑块 使用yield 生成一个列表
     for  i  in  range ( 10 ):
         yield  i
     for  j  in  range ( 5 ):
         yield  j  *  j
     for  k  in  [ 100 ,  200 ,  300 ]:
         yield  k
        
for  item  in  gen_list():
     print (i)

使用 yield 后，就不再需要定义 list 类型的变量，只需在每个逻辑块直接 yield 返回元素即可，可以达到和前面例子一样的功能.

我们看到，使用 yield 的代码更加简洁，结构也更清晰，另外的好处是只有在迭代元素时才申请内存空间，降低了内存资源的消耗.

协程与并发

还有一种场景是 yield 使用非常多的，那就是「协程与并发」.

如果我们想提高程序的执行效率，通常会使用多进程、多线程的方式编写程序代码，最常用的编程模型就是「生产者-消费者」模型，即一个进程 / 线程生产数据，其他进程 / 线程消费数据.

在开发多进程、多线程程序时，为了防止共享资源被篡改，我们通常还需要加锁进行保护，这样就增加了编程的复杂度.

在 Python 中，除了使用进程和线程之外，我们还可以使用「协程」来提高代码的运行效率.

什么是协程?

简单来说，由多个程序块组合协作执行的程序，称之为「协程」.

而在 Python 中使用「协程」，就需要用到 yield 关键字来配合.

可能这么说还是太好理解，我们用 yield 实现一个协程生产者、消费者的例子:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
# coding: utf8
 
def  consumer():
     i  =  None
     while  True :
         # 拿到 producer 发来的数据
         j  =  yield  i 
         print ( 'consume %s'  %  j)
 
def  producer(c):
     c.__next__()
     for  i  in  range ( 5 ):
         print ( 'produce %s'  %  i)
         # 发数据给 consumer
         c.send(i)
     c.close()
 
c  =  consumer()
producer(c)
 
# Output:
# produce 0
# consume 0
# produce 1
# consume 1
# produce 2
# consume 2
# produce 3
# consume 3
...

这个程序的执行流程如下:

  • c = consumer() 创建一个生成器对象
  • producer(c) 开始执行，c.__next()__ 会启动生成器 consumer 直到代码运行到 j = yield i 处，此时 consumer 第一次执行完毕，返回
  • producer 函数继续向下执行，直到 c.send(i) 处，这里利用生成器的 send 方法，向 consumer 发送数据
  • consumer 函数被唤醒，从 j = yield i 处继续开始执行，并且接收到 producer 传来的数据赋值给 j，然后打印输出，直到再次执行到 yield 处，返回
  • producer 继续循环执行上面的过程，依次发送数据给 cosnumer，直到循环结束
  • 最终 c.close() 关闭 consumer 生成器，程序退出

在这个例子中我们发现，程序在 producer 和 consumer 这 2 个函数之间来回切换执行，相互协作，完成了生产任务、消费任务的业务场景，最重要的是，整个程序是在单进程单线程下完成的.

这个例子用到了上面讲到的 yield、生成器的 __next__、send、close 方法。如果不好理解，你可以多看几遍这个例子，最好自己测试一下.

我们使用协程编写生产者、消费者的程序时，它的好处是:

整个程序运行过程中无锁，不用考虑共享变量的保护问题，降低了编程复杂度 程序在函数之间来回切换，这个过程是用户态下进行的，不像进程 / 线程那样，会陷入到内核态，这就减少了内核态上下文切换的消耗，执行效率更高 所以，Python 的 yield 和生成器实现了协程的编程方式，为程序的并发执行提供了编程基础.

Python 中的很多第三方库，都是基于这一特性进行封装的，例如 gevent、tornado，它们都大大提高了程序的运行效率.

总结

总结一下，这篇文章我们主要讲了 yield 的使用方式，以及生成器的各种特性.

生成器是一种特殊的迭代器，它除了可以迭代数据之外，在执行时还可以保存方法中的状态，除此之外，它还提供了外部改变内部状态的方式，把外部的值传入到生成器内部.

利用 yield 和生成器的特性，我们在开发中可以用在大集成的生成、简化代码结构、协程与并发的业务场景中.

Python 的 yield 也是实现协程和并发的基础，它提供了协程这种用户态的编程模式，提高了程序运行的效率.

以上就是python如何正确使用yield的详细内容，更多关于python 使用yield的资料请关注我其它相关文章！ 。

原文链接：https://mp.weixin.qq.com/s/n9stoqyO50r0SbB3Ahpt6w 。

最后此篇关于python如何正确使用yield的文章就讲到这里了,如果你想了解更多关于python如何正确使用yield的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。

25 4 0
文章推荐： zabbix监控docker应用配置
文章推荐： 仅5步搞定Android开发环境部署 Android开发环境搭建教程
文章推荐： Docker部署rabbitmq遇到的两个问题
文章推荐： 详细总结Python常见的安全问题
qq735679552
个人简介

我是一名优秀的程序员,十分优秀！

滴滴打车优惠券免费领取
滴滴打车优惠券
全站热门文章
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com